INGENIO del 04 Maggio 2026, Imready Srl – RSM –
ABSTRACT
L’intelligenza artificiale (IA) rappresenta uno strumento emergente per affrontare la complessità dei problemi geotecnici, caraterizzati da forte non linearità e incertezza, dovuta alla variabilità naturale dei terreni e alla difficoltà di acquisire dati rappresentativi. In questo contesto, l’intelligenza artificiale rappresenta uno strumento prometente per estrarre informazioni significative da grandi moli di dati e migliorare le capacità previsionali.
L’adozione di tecniche di machine learning (ML) e deep learning (DL) consente di affiancare ai modelli deterministici tradizionali approcci basati sui dati, capaci di cogliere relazioni complesse non facilmente modellabili con metodi classici.
Il presente lavoro integra approcci fisici e data-driven nella predizione dei cedimenti, nella classificazione dei terreni e nell’analisi dei dati di monitoraggio. Viene sviluppato un caso studio quantitativo relativo a un versante instabile monitorato tramite interferometria SAR (InSAR) e modellato mediante reti neurali ricorrenti. L’approccio ibrido proposto consente una riduzione significativa dell’errore previsionale rispeto ai modelli tradizionali e un miglioramento dell’interpretazione dei fenomeni con una conseguenziale maggiore capacità di anticipare eventi critici.
Please download the complete PDF file by clicking the button above.
| References 1) Chiarelli, M., (2026). Reliability – Based Design in Large Geotechnical Structures: Applications to Tunnel Linings and Retaining Systems – INGENIO del 19 Marzo 2026, Imready Srl – RSM. 2) Chiarelli, M., (2025). Innovazioni tecnologiche nella stabilizzazione dei pendii: modelli costitutivi e simulazioni numeriche – INGENIO del 01 Luglio 2025, Imready Srl – RSM. 3) Chiarelli, M., (2025). L’impiego della geofisica e del remote sensing nel monitoraggio dei fenomeni franosi: stato dell’arte, sviluppi recenti e prospettive future – INGENIO del 18 Settembre 2025, Imready Srl – RSM. 4) Chiarelli, M., (2024). Laser interferometry for landslide monitoring: data interpretation and early warning applications. Remote Sensing in Geotechnical Engineering, 8(2), 89–110. 5) Chiarelli, M., (2024). Data-driven and physics-based integration for slope stability assessment. Engineering Geology, 325, 107210. 6) Chiarelli, M., (2023). Satellite InSAR analysis for slow-moving landslides: interpretation and modelling. Landslides, 20(5), 1123–1138. 7) Chiarelli, M., (2022). Integrated monitoring of slope instability using terrestrial laser interferometry and remote sensing techniques. Engineering Geology Applications Journal, 12(3), 145–162. 8) Chiarelli, M., (2021). Cedimenti differenziali del terreno di fondazione e danni agli edifici – INGENIO web del 21 Aprile 2021, Imready Srl – RSM. 9) Chiarelli, M., (2009). L’Arte del costruire gallerie – Editrice | Uni Service, Trento, 2009 ISBN: 978-88-6178-323-2. 10) Guerricchio, A., Chiarelli, M., et al., (2006). High precision GPS monitoring of landslides. Geophysical Research Abstracts, Vol. 8, 10225, 2006. 11) Biot, M.A. (1941). General theory of three-dimensional consolidation. Journal of Applied Physics, 12, 155–164. 12) Fengnian Chang, Shaochun Dong, Hongwei Yin, Xiao Ye, Zhenyun Wu, Wei Zhang, Honghu Zhu, (2024). Unravelling long-term spatiotemporal deformation and hydrological triggers of slow-moving reservoir landslides with multi-platform SAR data. International Journal of Applied Earth Observation and Geoinformation. Volume 135, December 2024, 104301. 13) Zhang, D., Wang, L., et al. (2022). Application of artificial intelligence in geotechnical engineering: A state-of-the-art review. Earth-Science Reviews, 228, 103991. 14) Chen, H., Zhang, L., Chang, D.S. (2020). Hybrid machine learning model for landslide prediction. Landslides, 17, 103–117. 15) Bui, D.T., Tsangaratos, P., Nguyen, V.T., et al. (2020). Machine learning methods for landslide susceptibility modelling. Engineering Geology, 275, 105713. 16) Hochreiter, S., Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735–1780. 17) Huang, F., Huang, J., Jiang, S., Zhou, C. (2017). Landslide displacement prediction using LSTM. Engineering Geology, 221, 1–10. 18) Kratzert, F., Klotz, D., Brenner, C., et al. (2018). Rainfall–runoff modelling using LSTM networks. Hydrology and Earth System Sciences, 22, 6005–6022. 19) Raissi, M., Perdikaris, P., Karniadakis, G.E. (2019). Physics-informed neural networks: A deep learning framework. Journal of Computational Physics, 378, 686–707. 20) Tartakovsky, A.M., et al. (2020). Physics-informed deep neural networks for subsurface flow modelling. Water Resources Research, 56. 21) Giordan, D., Allasia, P., Manconi, A., et al. (2013). Morphological evolution of the Montaguto landslide. Geomorphology, 187, 61–79. 22) Ferrigno, F., Gigli, G., Intrieri, E., Casagli, N. (2017). GB-InSAR monitoring of the Montaguto landslide. Natural Hazards and Earth System Sciences, 17, 845–860. 23) Di Maio, C., Vassallo, R., Vallario, M. (2018). Geotechnical characterization of the Montaguto earthflow. Engineering Geology, 239, 1–12. 24) Guerriero, L., Revellino, P., Grelle, G., et al. (2013). Landslide reactivation mechanisms. Italian Journal of Engineering Geology and Environment. 25) Ferretti, A., Prati, C., Rocca, F. (2001). Permanent scatterers in SAR interferometry. IEEE Transactions on Geoscience and Remote Sensing, 39(1), 8–20. 26) Hooper, A., Segall, P., Zebker, H. (2007). Persistent scatterer InSAR for crustal deformation. Journal of Geophysical Research, 112(B7). 27) Crosetto, M., Monserrat, O., Cuevas-González, M., Devanthéry, N., Crippa, B. (2016). Persistent Scatterer Interferometry: A review. ISPRS Journal of Photogrammetry and Remote Sensing, 115, 78–89. 28) Wasowski, J., Bovenga, F. (2014). Investigating landslides and unstable slopes with satellite SAR interferometry. Engineering Geology, 174, 103–138. 29) Tofani, V., Raspini, F., Catani, F., Casagli, N. (2013). Persistent Scatterer Interferometry for landslide mapping and monitoring. Remote Sensing, 5(3), 1045–1065. 30) Hochreiter, S., Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735–1780. 31) Omar A., Conte Robles, (2010). Slope stability monitoring using remote sensing techniques. Missouri University of Science & Technology Bachelor of Science in Civil Engineering. May 2012 University of Arkansas, Fayetteville. |
